Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Un enfoque descentralizado para la protección de derechos de autor de vídeo utilizando blockchain privada y hashing perceptual

117 visualizaciones

⸱

DOI:

10.3791/71860

⸱

11 de agosto de 2026

 , 
1School of Computer Science and Engineering (SCOPE), VIT-AP University, Amaravati

En este artículo

Resumen

Este estudio presenta un marco descentralizado para la protección de derechos de autor de vídeo que integra blockchain privado, contratos inteligentes y técnicas de hashing perceptual. El objetivo es permitir el registro seguro de la propiedad, una gestión inmutable de registros y una verificación eficiente basada en similitudes del contenido de vídeo en entornos distribuidos.

Resumen

La creciente popularidad del intercambio de contenido en vídeo en Internet ha generado preocupaciones sobre violaciones de derechos de autor, piratería y disputas de propiedad. Los métodos tradicionales y centralizados para gestionar los derechos de autor enfrentan problemas de transparencia, susceptibilidad a la manipulación y dependencia de terceros de confianza. Por ello, este estudio presenta un sistema descentralizado de protección de derechos de autor de vídeo basado en Hyperledger Fabric, contratos inteligentes y hashing perceptual. En primer lugar, se extraen los fotogramas de los vídeos y se crean huellas dactilares perceptuales utilizando los algoritmos hash promedio (aHash), hash de diferencia (dHash), hash perceptual (pHash) y hash wavelet (wHash). Los hashes y la información de propiedad se almacenan en la blockchain, mientras que los activos multimedia se mantienen fuera del libro mayor. Las comprobaciones de derechos de autor se realizan mediante comparaciones de similitud a nivel de trama basadas en la distancia de Hamming. El marco propuesto fue probado en diversas manipulaciones temporales, espaciales y compresivas, incluyendo inserción, eliminación, recorte, redimensionamiento, rotación, filtrado y transcodificación. Los experimentos demostraron una gran robustez ante tales cambios mientras detectaban modificaciones no autorizadas. Por lo tanto, esta tecnología puede ofrecer una solución práctica a los problemas de derechos de autor utilizando un marco blockchain descentralizado.

Introducción

Los avances en las tecnologías multimedia digitales han cambiado la forma en que se producen, distribuyen y consumen los vídeos. La transmisión de vídeo, las redes sociales y los sistemas de intercambio de contenidos basados en Internet permiten la distribución rápida y sencilla de vídeos a audiencias de todo el mundo. Aunque los avances tecnológicos permiten más posibilidades creativas en la producción de contenido digital en vídeo y el crecimiento del negocio online, estos mismos avances han facilitado que los creadores de contenido experimenten violaciones de derechos de autor, piratería y problemas de propiedad1. Los vídeos pueden copiarse, editarse, recodificarse y redistribuirse fácilmente, lo que dificulta cada vez más la protección de la propiedad intelectual en el mundo multimediaactual 2,3.

Normalmente, los sistemas actuales de gestión de derechos de autor dependen de una autoridad central para registrar contenidos, validar la propiedad, gestionar acuerdos de licencia y gestionar disputas. A pesar de ser ampliamente adoptados, estos sistemas de gestión son propensos a varias limitaciones importantes4. Primero, la centralización expone los sistemas de gestión de derechos de autor a posibles ciberataques, manipulación de datos y tiempos de inactividad. Además, la propiedad de los derechos de autor la almacenan terceros de confianza, lo cual puede no ser del todo deseable en términos de auditoría y mantenimiento de la fiabilidad a largo plazo de dichainformación 5. Una mayor cantidad de contenido multimedia digital hace que los procesos de verificación convencionales sean menos eficientes, ya que tienden a requerir demasiado tiempo y a volverse pocoprácticos 6.

La tecnología blockchain parece ser una de las soluciones que puede resolver problemas de confianza y transparencia dentro del entornodistribuido. Utilizando libros mayores inmutables mediante criptografía y mecanismos de consenso, blockchain permite un registro seguro sin una autoridad central que controle el proceso. En cuanto los registros se añaden a la blockchain, se vuelven inmutables e inmutables, proporcionando así mayores niveles de trazabilidad y responsabilidad8. Por eso se han realizado muchos esfuerzos para estudiar aplicaciones blockchain en áreas como DRM, IP y garantía de propiedad multimedia9. Entre las plataformas blockchain existentes, Hyperledger Fabric ha recibido una atención significativa por sus características, incluyendo una arquitectura autorizada, una estructura modular, soporte para contratos inteligentes, privacidad y procesamiento rápido. En contraste con las cadenas públicas, la arquitectura autorizada de Hyperledger Fabric la hace ideal para sistemas de protección de derechosde autor 10.

Sin embargo, existen ciertas limitaciones en el uso de una blockchain como único medio para identificar el estado de derechos de autor del contenidomultimedia 11. Primero, las funciones hash criptográficas tradicionales (por ejemplo, SHA-256) producen resultados de hash completamente diferentes incluso cuando se realizan pequeños cambios en un vídeo12. Aunque es una característica deseable para fines criptográficos, dificulta el reconocimiento visual de versiones similares o modificadas de contenido multimedia protegido por derechos de autor. Por tanto, la verificación de derechos de autor multimedia debe basarse en algoritmos conscientes del contenido que puedan detectar similitudes perceptivas en imágenes ovídeos 13.

Una de las formas más prometedoras de abordar el problema de derechos de autor en contenido multimedia es utilizar el hashingperceptual 14. A diferencia del hashing criptográfico, el hashing perceptual produce huellas dactilares que codifican propiedades visuales de la imagen o fotogramade vídeo 15. Así, incluso si el archivo ha sido modificado mediante los procesos habituales (compresión, filtrado, reescalado, añadiendo ruido, etc.), el hash permanece relativamentesin cambios en 16. Actualmente se utilizan cuatro tipos de hashes perceptivos: hash medio, hash de diferencia, hash perceptual y hashwavelet 17,18.

Ha habido numerosos estudios de investigación que han investigado el uso de la tecnología blockchain en conjunto con técnicas de protección de derechos de autor para datos multimedia19. Trabajos anteriores han utilizado tecnología blockchain para el registro de propiedad, marcas de agua digitales, almacenamiento distribuido y gestión de pruebas, gestión descentralizada de derechos y almacenamiento seguro de contenido multimedia20. El Hyperledger Fabric se ha aprovechado en trabajos anteriores para permitir el registro de derechos de autor, la gestión de derechos y la auditoría de transacciones mediante contratos inteligentes y protocolos de consensoautorizados 21,22. Del mismo modo, se han propuesto enfoques de hashing perceptual y marca de agua para detectar contenido multimedia duplicado y manipulado. A pesar de estos prometedores trabajos en la gestión de derechos de autor mediante tecnología blockchain, aún existen algunaslagunas 23,24. En primer lugar, muchos marcos anteriores se centran principalmente en el registro de la propiedad, pero carecen de la capacidad de verificar el contenido. En segundo lugar, muchas obras han dependido de un único enfoque de hashing o marca de agua, lo que las hace más vulnerables a ataques de manipulación de vídeo25,26. La Tabla 1 muestra que los sistemas existentes generalmente admiten el registro de la propiedad, pero rara vez combinan la gestión descentralizada de la propiedad con la verificación de contenido multi-hash.

Con los avances en la tecnología de edición de vídeo, existe una mayor necesidad de una verificación eficiente de la propiedad de vídeo para prevenir la infracción de derechosde autor 27. La tecnología actual ofrece varios métodos para manipular temporalmente los vídeos añadiendo, eliminando, reemplazando y cambiando la tasa de fotogramas. De manera similar, las opciones de manipulación espacial incluyen redimensionamiento de fotogramas, escalado, filtrado, compresión, transcodificación y alteraciones geométricas devídeos. Estas manipulaciones dificultan identificar a los titulares de los derechos de autor, aunque no cambien la apariencia del vídeo. Un sistema eficiente debe ser capaz de diferenciar entre manipulación permitida, propiedad e infracción de derechos de autor conintegridad 29.

Para abordar el reto de una gestión eficiente de los derechos de autor de vídeo, este artículo propone un modelo descentralizado que aprovecha Hyperledger Fabric, contratos inteligentes y hashing perceptual. El marco propuesto generará huellas dactilares perceptuales utilizando técnicas de hashing, extrayendo los fotogramasde vídeo 30,31. Se emplearán cuatro técnicas diferentes de hashing, a saber, aHash, dHash, pHash y wHash, para generar huellas dactilares perceptuales. La información de propiedad, la marca de tiempo y los hashes se registran en el libro de cuentas autorizado basado en blockchain. Para mejorar la escalabilidad, CouchDB se utiliza junto con blockchain para almacenar contenido multimedia fuera de la cadena.

El marco propuesto emplea análisis de distancias de Hamming para validar la similitud a nivel de trama y detectar modificaciones, duplicaciones o el uso ilegal de vídeos. Al combinar varias técnicas de hashing perceptual con audibilidad basada en blockchain, la solución logra tanto autenticación a nivel de contenido como gestión de propiedad a prueba de manipulaciones. A diferencia de sistemas anteriores, que dependen de un único método de verificación, el marco propuesto utiliza múltiples descriptores perceptivos para soportar una variedad de manipulaciones temporales, espaciales y compresivas de vídeo.

Estas son las principales contribuciones presentadas en el trabajo de investigación: (1) Un enfoque descentralizador para el proceso seguro de registro y verificación de derechos de autor para vídeos utilizando el marco Hyperledger Fabric; (2) Se utilizan múltiples algoritmos de hashing perceptual, como aHash, dHash, pHash y wHash, para crear múltiples huellas digitales de vídeo que pueden reconocer vídeos similares incluso después de ser editados; (3) Se desarrolla un modelo de base de datos distribuida utilizando tanto Hyperledger Fabric como CouchDB para abordar problemas de escalabilidad sin comprometer la integridad y trazabilidad de los datos; (4) Se formula un proceso de verificación exhaustivo que implica el cálculo de la distancia de Hamming para determinar la manipulación de vídeos respecto a fotogramas y píxeles; (5) Se realizan experimentos para demostrar la capacidad del método propuesto para detectar vídeos modificados.

Así, al integrar la propiedad basada en blockchain y múltiples algoritmos de hash, el marco propuesto ofrece un enfoque factible para la protección descentralizada de los derechos de autor de vídeo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio no incluyó participantes humanos, sujetos humanos, animales ni muestras clínicas. Por tanto, no se requería la aprobación ética institucional ni el consentimiento informado.

Materiales y software

El entorno utilizado para desplegar el framework era Hyperledger Fabric versión 2.4.8, CouchDB, Docker Containers, despliegue Minifab, aplicaciones de procesamiento multimedia FFmpeg y el lenguaje de programación Go. Hyperledger Fabric proporcionaba servicios para la gestión descentralizada del libro mayor y la ejecución de contratos inteligentes, mientras que CouchDB almacenaba y recuperaba la información de derechos de autor de forma eficiente a través de almacenamiento fuera de la cadena. FFmpeg se utilizaba para preprocesar vídeos y extraer fotogramas de vídeo, mientras que los algoritmos de hashing perceptual se aplicaban mediante bibliotecas de hashing de imágenes en el lenguaje de programación Go. Una lista de todas las herramientas y sus respectivas descripciones está ilustrada en la Tabla de Materiales.

Arquitectura del marco

El marco propuesto emplea algoritmos de hashing perceptual dentro del blockchain autorizado Hyperledger Fabric para permitir un enfoque descentralizado en la protección de derechos de autor de vídeo y la validación de la propiedad. El marco consta de cinco componentes principales: preprocesamiento de vídeo, generación perceptual de hash, registro de derechos de autor basado en blockchain y verificación basada en similitud. En este marco, Hyperledger Fabric actúa como la capa de confianza, proporcionando registros de propiedad inmutables, mientras que CouchDB proporciona almacenamiento fuera de la cadena. La arquitectura general del marco propuesto se muestra en la Figura 1.

Modelo del sistema de verificación de derechos de autor

Un flujo de trabajo detallado del sistema bajo investigación se muestra en la Figura 2. Comienza con la adquisición de vídeo, seguida de la extracción de fotogramas a intervalos regulares usando FFmpeg. Las tramas extraídas se procesan dentro del entorno de implementación de Hyperledger Fabric, que incluye acciones como el registro de la propiedad, la administración de certificados, la comunicación entre pares y la validación de transacciones. Se aplica un hashing perceptual a los fotogramas extraídos, seguido del cálculo de la distancia de Hamming para evaluar el grado de similitud. Si la distancia de Hamming está por debajo del umbral, el fotograma se considera auténtico y similar al contenido registrado; de lo contrario, se considera contenido modificado.

Adquisición de vídeo, preprocesamiento y creación de hashing perceptual

Las muestras de vídeo utilizadas en el experimento eran archivos MP4 a resolución 480p, con una duración media de unos 26 segundos. El conjunto de datos de evaluación incluía 15 muestras de vídeo, incluyendo un vídeo de referencia original y varias versiones modificadas. Estas modificaciones incluían tareas comunes de edición como cambiar la tasa de fotogramas, insertar, eliminar o sustituir fotogramas, y aplicar distorsiones como recorte, escalado, rotación y efectos de superposición. El conjunto de datos también incluía añadidos de compresión, ruido, texto y pegatinas, efectos de fallos y más. Todos los vídeos estaban en formato MP4 a resolución 480p y pasaban por los mismos pasos de preprocesamiento y generación de huellas dactilares. Diseñado para probar la resiliencia del sistema, este conjunto de datos abarca una amplia gama de escenarios reales que implican infracción y manipulación. Antes de ser objeto de detección y confirmación de derechos de autor, los archivos de vídeo pasaban por preprocesamiento en FFmpeg. Los fotogramas de los archivos de vídeo se extraían cada 1 segundo para obtener resúmenes condensados de contenido en forma de contenido visual que seguía siendo computacionalmente económico de procesar. A continuación, estos fotogramas se convertían a escala de grises y se normalizaban para minimizar los cambios en la intensidad de los píxeles derivados de las condiciones de iluminación, la codificación y las diferencias de compresión.

Se utilizaron cuatro funciones de hashing perceptual para producir huellas digitales de contenido de vídeo en forma de hashing promedio (aHash), hashing de diferencias (dHash), hash perceptual (pHash) y hash wavelet (wHash).

Para la generación de hash, los fotogramas primero se convertían a escala de grises y se redimensionaban a 8x8 píxeles para calcular aHash y dHash. Con aHash, se generaba una huella digital de 64 bits comparando cada píxel con el valor medio en escala de grises. El algoritmo dHash hizo algo similar, creando también una huella digital de 64 bits, pero analizó cómo diferían las intensidades de píxeles horizontales adyacentes. Para pHash, los fotogramas se redimensionaban a 32x32 píxeles, luego se calculaba la transformada discreta del coseno. Para generar la huella perceptual de 64 bits, solo se utilizaron los coeficientes DCT de baja frecuencia 8x8. En cuanto a wHash, los fotogramas se redimensionaron de nuevo a 32x32 píxeles, pero esta vez se procesaron con una transformada wavelet de Haar. Se generó un hash de 64 bits a partir de los coeficientes de wavelet de menor frecuencia extraídos. Todos estos ajustes de parámetros buscan un buen equilibrio entre eficiencia computacional y resistencia para manejar ajustes típicos de vídeo.

Para realizar cálculos eficientes de funciones hash, estas imágenes se normalizaron y redimensionaron. El método de hashing promedio funciona comparando la intensidad de los píxeles con la media de la imagen. El hashing de diferencias funciona de forma similar pero se centra en los gradientes locales comparando las intensidades de los píxeles con las de píxeles vecinos. El hashing perceptual utiliza características de Fourier que resultan de la DCT, mientras que el hashing wavelet se basa en los resultados de la transformada wavelet para extraer características.

Registro y verificación de derechos de autor basados en blockchain

Las huellas dactilares perceptuales, los metadatos de propiedad, las marcas de tiempo y los detalles de las transacciones obtenidos se introducen en la blockchain Hyperledger Fabric a través del contrato inteligente vitChain. La implementación de blockchain incluye dos organizaciones, dos pares, dos nodos ordenados, dos nodos de autoridad certificadora (CA) y bases de datos de estado CouchDB, todos enlazados mediante un canal automático. El marco de blockchain autorizado facilita el procesamiento seguro, el acceso restringido y el almacenamiento a prueba de manipulaciones de los datos de derechos de autor.

El procedimiento de registro de derechos de autor comienza una vez que el propietario del contenido sube el vídeo a través de la interfaz de usuario. Cuando un usuario envía un vídeo para el registro de derechos de autor, la capa de aplicación llama al contrato inteligente vitChain a través del SDK Hyperledger Fabric. Este registro incluye un ID de transacción único, información del propietario, ID de vídeo, marca de tiempo y cuatro tipos de valores de hash perceptivos: aHash, dHash, pHash y wHash. Además, hay metadatos sobre el contenido. La aplicación envía la propuesta de transacción a los pares que lo respaldan. Estos pares ejecutan la lógica de contratos inteligentes y se aseguran de que la transacción cumpla con la política de endoso. Tras la validación exitosa, la transacción pasa al servicio de pedido. Aquí, las transacciones verificadas se agrupan en bloques y se envían a nodos pares para su inclusión en el libro mayor. Mientras tanto, los metadatos relacionados se incorporan a CouchDB. Se conectan a los registros de la blockchain a través del ID de la transacción, permitiendo consultas fáciles y manteniendo tanto los datos on-chain como off-chain consistentes.

Tras el preprocesamiento y los cálculos de hash perceptivo, las huellas dactilares, junto con sus metadatos asociados, se ensamblan en una transacción que será ejecutada por el contrato inteligente. La validación de transacciones la realizan los pares participantes de acuerdo con la política de endoso especificada. Tras la endoso, la transacción se pasa al servicio de pedido para su inclusión en un bloque en el libro mayor distribuido. Para una operación fiable, incluimos la gestión básica de errores en los procesos de registro y verificación. Antes de que se realice una transacción, la app comprueba los metadatos obligatorios, la información de propiedad y los hashes perceptivos para evitar problemas. Si las transacciones no cumplen con las reglas de endoso o tienen parámetros inválidos, los nodos pares las rechazan directamente. Cuando hay problemas como fallos de comunicación o errores de procesamiento, el sistema los registra y envía una alerta administrativa. Esto ayuda a evitar que se propaguen errores menores de procesamiento por el sistema. Durante las comprobaciones de derechos de autor, los vídeos que contienen metadatos inválidos o valores hash corruptos quedan excluidos del proceso de verificación. Los vídeos en los que falla la generación de huellas digitales también se excluyen del proceso de verificación. En general, estos pasos mantienen los datos limpios y refuerzan la fiabilidad del marco. La información de propiedad del vídeo protegido por derechos de autor se vuelve inmutable y está disponible para su posterior recuperación.

Verificación

El proceso de verificación implica pasos similares de preprocesamiento y cálculo de huellas dactilares, seguidos de una comparación de huellas dactilares con huellas almacenadas en la blockchain utilizando una medida de similitud basada en la distancia de Hamming. En función de la medida de similitud, el contrato inteligente determina la información de derechos de autor del vídeo enviado. El flujo de trabajo de interacción se representa en la Figura 3.

Verificación de derechos de autor basada en similitud

El proceso de verificación de derechos de autor compara las huellas dactilares perceptivas derivadas del vídeo de consulta con las huellas previamente almacenadas en el sistema blockchain. El mismo proceso de preprocesamiento y generación de valor hash utilizado durante el registro se repite en la fase de verificación para mantener la consistencia. La similitud se mide usando la distancia de Hamming, que cuenta el número de diferencias de bits entre dos valores hash. Las distancias Hamming más pequeñas indican una mayor similitud entre los dos vídeos, mientras que distancias Hamming mayores indican manipulación del contenido. Para ver si el vídeo de consulta coincidía con el vídeo registrado, usamos la distancia de Hamming entre sus valores de hash perceptuales. A partir de experimentos preliminares, se seleccionó un umbral de distancia de Hamming de 20 para proporcionar un equilibrio adecuado entre la robustez a operaciones comunes de procesamiento de vídeo y la sensibilidad a modificaciones no autorizadas. Los vídeos con una distancia de Hamming de 20 o menos se consideraban que representaban el mismo contenido protegido por derechos de autor. Si fuera más, mostraría grandes cambios. Este 20 fue elegido para gestionar editajes de vídeo comunes como compresión, filtrado, transcodificación y cambios en la tasa de fotogramas, pero aún así detecta cambios no autorizados. Se realizan mediciones de similitud para todas las huellas dactilares recogidas y luego se agregan para producir una conclusión de verificación de derechos de autor. Los vídeos que se desvían del contenido registrado se marcan para un escrutinio adicional.

Entorno de despliegue

El entorno de pruebas se creó usando contenedores Docker y la herramienta de orquestación Minifab. Se desplegó una red blockchain basada en la versión 2.4.8 de Hyperledger Fabric con CouchDB como base de datos de estado y capa de almacenamiento para los datos de contratos inteligentes. El contrato inteligente vitChain se implementó en Go y se desplegó utilizando el ciclo de vida del código de cadena de Hyperledger Fabric. Los parámetros de despliegue se resumen en la Tabla 2. La red estaba formada por dos organizaciones participantes, concretamente el Creador de Contenidos y el Videógrafo. Para garantizar la integridad de las transacciones y evitar registros o modificaciones no autorizadas de derechos de autor, se implementó una política de endoso multi-organización, que requería la aprobación de ambas organizaciones antes de que una transacción pudiera ser registrada en el libro mayor. Específicamente, la política de endoso seguía una regla AND, expresada como AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Para evaluar la eficacia del modelo propuesto de protección descentralizada de derechos de autor, se prueba frente a diversos ataques de manipulación de vídeo que ocurren con frecuencia durante la transmisión multimedia, la edición e infracción de derechos de autor. Dos factores principales en la evaluación incluyen: (i) la fiabilidad del algoritmo de hash perceptual para detectar derechos de autor y manipulaciones, y (ii) el rendimiento de la red blockchain Hyperledger Fabric. Las puntu...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Como demuestra el marco propuesto, integrar blockchain con el hashing perceptual puede proteger eficazmente los vídeos de infracciones de derechos de autor de manera descentralizada. En primer lugar, al combinar el registro de propiedad inmutable y el hashing perceptivo, satisface ambas condiciones primarias de los sistemas de gestión de derechos de autor: el registro seguro de la propiedad e identificación de materiales protegidos. En segundo lugar, usar Hyperledger Fabric permite el co...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de interés que declarar.

Agradecimientos

Los autores desean agradecer a la Universidad VIT-AP, Amaravati, India, por proporcionar las instalaciones computacionales y el apoyo en investigación necesarios para llevar a cabo este estudio. Los autores también reconocen el apoyo recibido del Departamento de Ciencias de la Computación e Ingeniería durante el desarrollo y evaluación del marco propuesto.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
CouchDBApache Software Foundationhttps://couchdb.apache.orgNoSQL database used for off-chain storage of video metadata and multimedia content.
DockerDocker Inc.https://www.docker.comContainerization platform used to deploy blockchain nodes, CouchDB instances, and supporting services.
FFmpegFFmpeg Developershttps://ffmpeg.orgMultimedia processing framework used for video decoding, frame extraction, and preprocessing.
Go Programming LanguageGoogle LLCVersion 1.20+; https://go.devProgramming language used to develop the vitChain smart contract (chaincode).
Google DriveGoogle LLChttps://drive.google.comStorage platform used for hosting and retrieving experimental video datasets.
Hyperledger FabricHyperledger FoundationVersion 2.4.8; https://hyperledger-fabric.readthedocs.ioPermissioned blockchain platform used for decentralized copyright registration, transaction validation, and ledger management.
ImageHash LibraryLoupaxhttps://github.com/loupax/imagehashLibrary used to generate perceptual hash values for video-frame authentication.
MinifabIBM / Hyperledger Communityhttps://github.com/hyperledger-labs/minifabLightweight deployment and orchestration tool used to configure and manage the Hyperledger Fabric network.
Ubuntu LinuxCanonical Ltd.Ubuntu 22.04 LTSOperating system used for blockchain deployment and experimental evaluation.
Visual Studio CodeMicrosoft Corporationhttps://code.visualstudio.comIntegrated development environment used for source code development and debugging.

Referencias

  1. Hou Z, et al. Zero-watermark method based on multi-channel PCNN and blockchain for remote sensing image transaction certificate and copyright protection. IEEE Transactions on Geoscience and Remote Sensing. 2025 Jun 2.
  2. Zhang T. TMRB: Trusted Multimedia Scheme With Redactable Blockchain. IEEE Transactions on Consumer Electronics. 2025 Feb 17.
  3. Sathyabama AR, Katiravan J. BlockImage: A Secure Framework for Image Authentication and Provenance using AI and Blockchain. Journal of Innovative Image Processing. 2025 Mar;7(1):28-49.
  4. Gao J, Zhang X, Moshayedi AJ, Zhong S. Research on data storage and sharing of intelligent video surveillance in steel plants based on blockchain: J. Gao et al. The Journal of Supercomputing. 2025 May 30;81(8):931.
  5. Madapati SL, Pradhan NR. Decentralizing video copyright protection: a novel blockchain-enabled framework with performance evaluation. Frontiers in Artificial Intelligence. 2025 Aug 18;8:1655709.
  6. Guo J, et al. Blockchain-enabled digital rights management for multimedia resources of online education. Multimedia Tools and Applications. 2020 Apr;79(15):9735-55.
  7. Li Y, et al. A decentralized music copyright operation management system based on blockchain technology. Procedia Computer Science. 2021 Jan 1;187:458-63.
  8. Frattolillo F. Blockchain and smart contracts for digital copyright protection. Future Internet. 2024 May 14;16(5):169.
  9. Darwish SM, Abu-Deif MM, Elkaffas SM. Blockchain for video watermarking: An enhanced copyright protection approach for video forensics based on perceptual hash function. PloS one. 2024 Oct 22;19(10):e0308451.
  10. Pandian PS, et al. Blockchain-Assisted Video Integrity Verification Using ResNeXt and LSTM-Based Deepfake Detection. International Journal of Basic and Applied Sciences. 2025;14:802-7.
  11. Qureshi A, Megias Jimenez D. Blockchain-based multimedia content protection: Review and open challenges. Applied Sciences. 2020 Dec 22;11(1):1.
  12. Zheng J, et al. A novel video copyright protection scheme based on blockchain and double watermarking. Security and communication networks. 2021;2021(1):6493306.
  13. Liu Y, Zhang J, Wu S, Pathan MS. Research on digital copyright protection based on the hyperledger fabric blockchain network technology. PeerJ Computer Science. 2021 Sep 17;7:e709.
  14. Moolikagedara K, Nguyen M, Yan WQ, Li XJ. Video Blockchain: A decentralized approach for secure and sustainable networks with distributed video footage from vehicle-mounted cameras in smart cities. Electronics. 2023 Aug 27;12(17):3621.
  15. Riaz A, et al. S2H-securing smart homes: A blockchain-based preservation approach. Internet of Things. 2025 Mar 1;30:101523.
  16. Adeniyi JK, et al. A blockchain-based smart healthcare system for data protection. IScience. 2025 Apr 18;28(4).
  17. Alamsyah A, Setiawan IP. Enhancing privacy and traceability of public health insurance claim system using blockchain technology. Frontiers in Blockchain. 2025 Feb 11;8:1474434.
  18. Xu S, Yang X, Xie Z. The future of misinformation control: integrating advanced algorithms and Blockchain for effective Deepfake detection. Peer-to-Peer Networking and Applications. 2025 Jul;18(4):244.
  19. Asaithambi S, et al. A secure and trustworthy blockchain-assisted edge computing architecture for industrial internet of things. Scientific Reports. 2025 May 2;15(1):15410.
  20. AbdElkareem N, Selim, M. & Shalaby, A. Blockchain-Based Computationally Efficient Procedure for Multimedia Security Utilizing Bit Plane Slicing and Wavelet Transform. Arab J Sci Eng 50, 19135–19151 (2025).
  21. Abreu H, Pereira V, Barata J. Blockchain-based digital product passport: design principles and demonstration. International Journal of Production Research. 2025 Aug 18;63(16):5863-82.
  22. Sychowiec J, Zieliński Z. A Blockchain-Based Framework for Secure Data Stream Dissemination in Federated IoT Environments. Electronics. 2025 May 20;14(10):2067.
  23. Zhao K, Bao Z, Zhang Y, Lei H. BECAAC: A blockchain and edge computing-assisted access control scheme for medical data sharing. IEEE Internet of Things Journal. 2025 Jun 5.
  24. Ilyas B, Kumar A, Ali SM, Lei H. Blockchain-enabled IoT access control model for sharing electronic healthcare data. Multimedia Tools and Applications. 2025 Mar;84(10):8127-48.
  25. Rani D, et al. A secure digital evidence preservation system for an iot-enabled smart environment using ipfs, blockchain, and smart contracts. Peer-to-Peer Networking and Applications. 2025 Mar;18(2):5.
  26. Ahmed O, Kamabe H. Proposing blockchain based framework to mitigate VUCA realm problems for automobile life cycle. Frontiers in Blockchain. 2025 Jun 27;8:1607271.
  27. Dutta J, Barman S. Smart contract and blockchain-based secured approach for storing and sharing electronic health records. Multimedia Tools and Applications. 2025 May;84(16):16883-907.
  28. Diba BS, et al. From centralization to decentralization: Blockchain’s role in transforming social media platforms. IEEE Access. 2025 Apr 16.
  29. Kulkarni MD, Awate A, Shahade M, Nandwalkar B. ExamGuard: Smart contracts for secure online test. Information Systems. 2025 Feb 1;128:102485.
  30. Ohize HO, et al. Blockchain for securing electronic voting systems: a survey of architectures, trends, solutions, and challenges. Cluster Computing. 2025 Apr;28(2):132.
  31. Xiong R, et al. Leveraging consortium blockchain for secure cross-domain data sharing in supply chain networks. IEEE Transactions on Services Computing. 2025 Feb 20.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Hyperledger Fabriccontratos inteligentesextracción de fotogramasdistancia de Hammingverificación de propiedadpiratería de vídeomarco descentralizado
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.